Asante kwa kutembelea Nature.com. Toleo la kivinjari unachotumia lina msaada mdogo wa CSS. Kwa matokeo bora, tunapendekeza kutumia toleo jipya la kivinjari chako (au kuzima hali ya utangamano katika Internet Explorer). Kwa sasa, ili kuhakikisha msaada unaoendelea, tunaonyesha tovuti bila kupiga maridadi au JavaScript.
Maombi ya akili ya bandia ya kliniki (AI) yanakua haraka, lakini mitaala ya shule ya matibabu iliyopo hutoa mafundisho madogo ya kufundisha eneo hili. Hapa tunaelezea kozi ya mafunzo ya akili ya bandia ambayo tuliendeleza na kuwasilisha kwa wanafunzi wa matibabu wa Canada na kutoa maoni ya mafunzo ya baadaye.
Akili ya bandia (AI) katika dawa inaweza kuboresha ufanisi wa mahali pa kazi na kusaidia kufanya maamuzi ya kliniki. Ili kuongoza kwa usalama utumiaji wa akili ya bandia, waganga lazima wawe na uelewa wa akili bandia. Maoni mengi hutetea kufundisha dhana za AI1, kama vile kuelezea mifano ya AI na michakato ya uhakiki2. Walakini, mipango michache iliyoandaliwa imetekelezwa, haswa katika kiwango cha kitaifa. Pinto dos Santos et al.3. Wanafunzi wa matibabu 263 walichunguzwa na 71% walikubaliana kuwa wanahitaji mafunzo katika akili ya bandia. Kufundisha akili ya bandia kwa watazamaji wa matibabu inahitaji muundo makini ambao unachanganya dhana za kiufundi na zisizo za kiufundi kwa wanafunzi ambao mara nyingi huwa na maarifa ya hapo awali. Tunaelezea uzoefu wetu wa kutoa safu ya semina za AI kwa vikundi vitatu vya wanafunzi wa matibabu na kutoa maoni ya elimu ya matibabu ya baadaye katika AI.
Utangulizi wetu wa wiki tano kwa Ushauri wa Usanii katika Warsha ya Tiba kwa Wanafunzi wa Matibabu ulifanyika mara tatu kati ya Februari 2019 na Aprili 2021. Ratiba ya kila semina, na maelezo mafupi ya mabadiliko kwenye kozi hiyo, yanaonyeshwa kwenye Kielelezo 1. Kozi yetu ina. Malengo matatu ya kujifunza ya msingi: Wanafunzi wanaelewa jinsi data inavyosindika katika matumizi ya akili bandia, kuchambua fasihi ya akili ya bandia kwa matumizi ya kliniki, na kuchukua fursa za kushirikiana na wahandisi wanaoendeleza akili ya bandia.
Bluu ni mada ya hotuba na bluu nyepesi ni swali linaloingiliana na kipindi cha jibu. Sehemu ya kijivu ni lengo la ukaguzi mfupi wa fasihi. Sehemu za machungwa ni masomo ya kesi zilizochaguliwa ambazo zinaelezea mifano ya akili au mbinu. Green ni kozi iliyoongozwa ya programu iliyoundwa iliyoundwa kufundisha akili bandia kutatua shida za kliniki na kutathmini mifano. Yaliyomo na muda wa semina hutofautiana kulingana na tathmini ya mahitaji ya mwanafunzi.
Warsha ya kwanza ilifanyika katika Chuo Kikuu cha British Columbia kutoka Februari hadi Aprili 2019, na washiriki wote 8 walitoa maoni mazuri4. Kwa sababu ya Covid-19, semina ya pili ilifanyika karibu Oktoba-Novemba 2020, na wanafunzi 222 wa matibabu na wakaazi 3 kutoka shule 8 za matibabu za Canada. Slides za uwasilishaji na nambari zimepakiwa kwenye wavuti ya ufikiaji wazi (http://ubcaimed.github.io). Maoni muhimu kutoka kwa iteration ya kwanza ni kwamba mihadhara ilikuwa kubwa sana na nyenzo pia za nadharia. Kutumikia maeneo sita ya wakati tofauti ya Canada kunaleta changamoto zaidi. Kwa hivyo, semina ya pili ilifupisha kila kikao hadi saa 1, ilirahisisha nyenzo za kozi, iliongeza masomo zaidi, na kuunda programu za boilerplate ambazo ziliruhusu washiriki kukamilisha vijikaratasi vya nambari na debugging ndogo (Sanduku 1). Maoni muhimu kutoka kwa iteration ya pili ni pamoja na maoni mazuri juu ya mazoezi ya programu na ombi la kuonyesha mipango ya mradi wa kujifunza mashine. Kwa hivyo, katika semina yetu ya tatu, iliyofanyika karibu kwa wanafunzi 126 wa matibabu mnamo Machi-Aprili 2021, tulijumuisha mazoezi ya kuingiliana zaidi ya coding na vikao vya maoni ya mradi kuonyesha athari za kutumia dhana za semina kwenye miradi.
Mchanganuo wa data: Sehemu ya masomo katika takwimu zinazoainisha mifumo yenye maana katika data kwa kuchambua, kusindika, na kuwasiliana mifumo ya data.
Madini ya data: Mchakato wa kutambua na kutoa data. Katika muktadha wa akili ya bandia, hii mara nyingi ni kubwa, na anuwai nyingi kwa kila sampuli.
Upunguzaji wa Vipimo: Mchakato wa kubadilisha data na huduma nyingi za kibinafsi kuwa huduma chache wakati wa kuhifadhi mali muhimu ya seti ya data ya asili.
Tabia (katika muktadha wa akili bandia): mali inayoweza kupimika ya sampuli. Mara nyingi hutumika kwa kubadilishana na "mali" au "kutofautisha".
Ramani ya uanzishaji wa gradient: Mbinu inayotumika kutafsiri mifano ya akili ya bandia (haswa mitandao ya neural), ambayo inachambua mchakato wa kuongeza sehemu ya mwisho ya mtandao kubaini mikoa ya data au picha ambazo zinatabiri sana.
Mfano wa kawaida: Mfano uliopo wa AI ambao umefundishwa kabla ya kufanya kazi kama hizo.
Upimaji (katika muktadha wa akili ya bandia): Kuangalia jinsi mfano hufanya kazi kwa kutumia data ambayo haijakutana nayo hapo awali.
Mafunzo (katika muktadha wa akili ya bandia): Kutoa mfano na data na matokeo ili mfano huo ubadilishe vigezo vyake vya ndani ili kuongeza uwezo wake wa kufanya kazi kwa kutumia data mpya.
Vector: safu ya data. Katika kujifunza mashine, kila sehemu ya safu kawaida ni sifa ya kipekee ya sampuli.
Jedwali 1 linaorodhesha kozi za hivi karibuni za Aprili 2021, pamoja na malengo ya kujifunza yaliyokusudiwa kwa kila mada. Warsha hii imekusudiwa kwa wale wapya kwa kiwango cha kiufundi na haiitaji maarifa yoyote ya kihesabu zaidi ya mwaka wa kwanza wa digrii ya matibabu ya shahada ya kwanza. Kozi hiyo ilitengenezwa na wanafunzi 6 wa matibabu na waalimu 3 walio na digrii za juu katika uhandisi. Wahandisi wanaendeleza nadharia ya akili ya bandia kufundisha, na wanafunzi wa matibabu wanajifunza nyenzo muhimu za kliniki.
Warsha ni pamoja na mihadhara, masomo ya kesi, na programu zilizoongozwa. Katika hotuba ya kwanza, tunakagua dhana zilizochaguliwa za uchambuzi wa data katika biostatistics, pamoja na taswira ya data, kumbukumbu ya vifaa, na kulinganisha kwa takwimu za kuelezea na za kuchochea. Ingawa uchambuzi wa data ndio msingi wa akili ya bandia, tunatenga mada kama vile madini ya data, upimaji wa umuhimu, au taswira inayoingiliana. Hii ilitokana na shida za wakati na pia kwa sababu wanafunzi wengine wa shahada ya kwanza walikuwa na mafunzo ya hapo awali katika biostatistics na walitaka kufunika mada ya kipekee zaidi ya kujifunza mashine. Hotuba inayofuata inaleta njia za kisasa na inajadili uundaji wa shida ya AI, faida na mapungufu ya mifano ya AI, na upimaji wa mfano. Mihadhara hiyo inakamilishwa na fasihi na utafiti wa vitendo juu ya vifaa vya akili vya bandia. Tunasisitiza ustadi unaohitajika kutathmini ufanisi na uwezekano wa mfano kushughulikia maswali ya kliniki, pamoja na kuelewa mapungufu ya vifaa vya akili vya bandia. Kwa mfano, tuliuliza wanafunzi kutafsiri miongozo ya jeraha la kichwa cha watoto iliyopendekezwa na Kupperman et al., 5 ambayo ilitekeleza algorithm ya uamuzi wa akili ya bandia ili kuamua ikiwa Scan ya CT itakuwa muhimu kulingana na uchunguzi wa daktari. Tunasisitiza kwamba hii ni mfano wa kawaida wa AI kutoa uchambuzi wa utabiri kwa waganga kutafsiri, badala ya kuchukua nafasi ya waganga.
Katika mifano inayopatikana ya programu ya Bootstrap (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), tunaonyesha jinsi ya kufanya uchambuzi wa data, upunguzaji wa hali ya juu, upakiaji wa mfano wa kawaida, na mafunzo . na upimaji. Tunatumia madaftari ya Google Colaboratory (Google LLC, Mlima View, CA), ambayo inaruhusu nambari ya Python kutekelezwa kutoka kwa kivinjari cha wavuti. Katika Mtini. Mchoro 2 hutoa mfano wa zoezi la programu. Zoezi hili linajumuisha kutabiri malignancies kwa kutumia data ya wazi ya Wisconsin na algorithm ya mti wa uamuzi.
Programu za sasa kwa wiki juu ya mada zinazohusiana na uchague mifano kutoka kwa programu zilizochapishwa za AI. Vitu vya programu vinajumuishwa tu ikiwa vinazingatiwa kuwa muhimu kwa kutoa ufahamu juu ya mazoezi ya kliniki ya baadaye, kama vile jinsi ya kutathmini mifano ili kuamua ikiwa wako tayari kutumika katika majaribio ya kliniki. Mfano hizi huisha katika programu kamili ya mwisho-mwisho ambayo huainisha tumors kama benign au mbaya kulingana na vigezo vya picha za matibabu.
Heterogeneity ya maarifa ya awali. Washiriki wetu walitofautiana katika kiwango chao cha maarifa ya kihesabu. Kwa mfano, wanafunzi walio na asili ya juu ya uhandisi wanatafuta nyenzo za kina zaidi, kama vile jinsi ya kufanya mabadiliko yao ya nne. Walakini, kujadili algorithm ya nne darasani haiwezekani kwa sababu inahitaji ufahamu wa kina wa usindikaji wa ishara.
Mahudhurio ya kuhudhuria. Mahudhurio katika mikutano ya kufuata yalipungua, haswa katika fomati za mkondoni. Suluhisho linaweza kuwa kufuatilia mahudhurio na kutoa cheti cha kukamilika. Shule za matibabu zinajulikana kutambua maandishi ya shughuli za masomo ya nje ya wanafunzi, ambayo inaweza kuhamasisha wanafunzi kufuata digrii.
Ubunifu wa kozi: Kwa sababu AI inachukua viwanja vingi, kuchagua dhana za msingi za kina na upana unaofaa zinaweza kuwa changamoto. Kwa mfano, mwendelezo wa matumizi ya zana za AI kutoka maabara hadi kliniki ni mada muhimu. Wakati tunashughulikia utayarishaji wa data, ujenzi wa mfano, na uthibitisho, hatujumuishi mada kama vile uchambuzi wa data kubwa, taswira inayoingiliana, au kufanya majaribio ya kliniki ya AI, badala yake tunazingatia dhana za kipekee za AI. Kanuni yetu inayoongoza ni kuboresha kusoma, sio ujuzi. Kwa mfano, kuelewa jinsi mfano unavyoshughulikia huduma za pembejeo ni muhimu kwa kutafsiri. Njia moja ya kufanya hivyo ni kutumia ramani za uanzishaji wa gradient, ambazo zinaweza kuibua ni mikoa gani ya data inayoweza kutabirika. Walakini, hii inahitaji hesabu ya multivariate na haiwezi kuletwa8. Kuendeleza istilahi ya kawaida ilikuwa changamoto kwa sababu tulikuwa tukijaribu kuelezea jinsi ya kufanya kazi na data kama veta bila utaratibu wa hesabu. Kumbuka kuwa maneno tofauti yana maana sawa, kwa mfano, katika ugonjwa wa ugonjwa, "tabia" inaelezewa kama "kutofautisha" au "sifa."
Utunzaji wa maarifa. Kwa sababu utumiaji wa AI ni mdogo, kiwango ambacho washiriki huhifadhi maarifa bado itaonekana. Mitaala ya shule ya matibabu mara nyingi hutegemea marudio ya spaced ili kuimarisha maarifa wakati wa mzunguko wa vitendo, 9 ambayo pia inaweza kutumika kwa elimu ya AI.
Utaalam ni muhimu zaidi kuliko kusoma. Ya kina cha nyenzo imeundwa bila ugumu wa kihesabu, ambayo ilikuwa shida wakati wa kuzindua kozi za kliniki katika akili ya bandia. Katika mifano ya programu, tunatumia programu ya template ambayo inaruhusu washiriki kujaza uwanja na kuendesha programu bila kuwa na kujua jinsi ya kuanzisha mazingira kamili ya programu.
Hoja juu ya akili ya bandia iliyoshughulikiwa: Kuna wasiwasi mkubwa kwamba akili ya bandia inaweza kuchukua nafasi ya majukumu ya kliniki3. Ili kushughulikia suala hili, tunaelezea mapungufu ya AI, pamoja na ukweli kwamba karibu teknolojia zote za AI zilizopitishwa na wasanifu zinahitaji usimamizi wa daktari11. Tunasisitiza pia umuhimu wa upendeleo kwa sababu algorithms inakabiliwa na upendeleo, haswa ikiwa data iliyowekwa sio tofauti12. Kwa hivyo, kikundi kidogo kinaweza kuwekwa vibaya, na kusababisha maamuzi yasiyofaa ya kliniki.
Rasilimali zinapatikana hadharani: Tumeunda rasilimali zinazopatikana hadharani, pamoja na slaidi za mihadhara na kanuni. Ingawa ufikiaji wa yaliyomo kwenye synchronous ni mdogo kwa sababu ya maeneo ya wakati, maudhui ya chanzo wazi ni njia rahisi ya kujifunza asynchronous kwani utaalam wa AI haupatikani katika shule zote za matibabu.
Ushirikiano wa kati: Warsha hii ni mradi wa pamoja ulioanzishwa na wanafunzi wa matibabu kupanga kozi pamoja na wahandisi. Hii inaonyesha fursa za kushirikiana na mapungufu ya maarifa katika maeneo yote mawili, kuruhusu washiriki kuelewa jukumu linaloweza kuchangia katika siku zijazo.
Fafanua uwezo wa msingi wa AI. Kuelezea orodha ya uwezo hutoa muundo sanifu ambao unaweza kuunganishwa katika mitaala ya matibabu ya msingi wa uwezo. Warsha hii kwa sasa hutumia Viwango vya Malengo ya Kujifunza 2 (Ufahamu), 3 (Maombi), na 4 (uchambuzi) wa ushuru wa Bloom. Kuwa na rasilimali katika viwango vya juu vya uainishaji, kama vile kuunda miradi, kunaweza kuimarisha maarifa zaidi. Hii inahitaji kufanya kazi na wataalam wa kliniki kuamua jinsi mada ya AI inaweza kutumika kwa kazi ya kliniki na kuzuia mafundisho ya mada zinazorudiwa tayari zilizojumuishwa katika mitaala ya kawaida ya matibabu.
Unda masomo ya kesi kwa kutumia AI. Sawa na mifano ya kliniki, kujifunza kwa msingi wa kesi kunaweza kuimarisha dhana za kufikirika kwa kuonyesha umuhimu wao kwa maswali ya kliniki. Kwa mfano, utafiti mmoja wa semina ulichambua Mfumo wa kugundua ugonjwa wa kisukari wa AI wa AI wa Google 13 ili kubaini changamoto njiani kutoka kwa maabara hadi kliniki, kama vile mahitaji ya uthibitisho wa nje na njia za idhini ya kisheria.
Tumia ujifunzaji wa uzoefu: Ujuzi wa kiufundi unahitaji mazoezi yaliyolenga na matumizi ya kurudia ili kujua, sawa na uzoefu wa kujifunza unaozunguka wa wanafunzi wa kliniki. Suluhisho moja linalowezekana ni mfano wa darasa la kufurika, ambalo limeripotiwa kuboresha utunzaji wa maarifa katika elimu ya uhandisi14. Katika mfano huu, wanafunzi hukagua nyenzo za kinadharia kwa uhuru na wakati wa darasa hutolewa kwa kutatua shida kupitia masomo ya kesi.
Kuongeza kwa washiriki wa kimataifa: Tunafikiria kupitishwa kwa AI kuhusisha kushirikiana katika taaluma nyingi, pamoja na waganga na wataalamu wa afya walio na viwango tofauti vya mafunzo. Kwa hivyo, mitaala inaweza kuhitaji kuandaliwa kwa kushauriana na kitivo kutoka idara tofauti ili kurekebisha yaliyomo kwa maeneo tofauti ya utunzaji wa afya.
Ujuzi wa bandia ni wa hali ya juu na dhana zake za msingi zinahusiana na hesabu na sayansi ya kompyuta. Mafunzo ya wafanyikazi wa huduma ya afya kuelewa akili ya bandia inatoa changamoto za kipekee katika uteuzi wa yaliyomo, umuhimu wa kliniki, na njia za utoaji. Tunatumahi kuwa ufahamu uliopatikana kutoka kwa AI katika semina za elimu utasaidia waelimishaji wa baadaye kukumbatia njia za ubunifu za kuunganisha AI katika elimu ya matibabu.
Nakala ya Google Colaboratory Python ni chanzo wazi na inapatikana kwa: https://github.com/ubcaimed/ubcaimed.github.io/tree/master/.
Prober, KG na Khan, S. Kufikiria tena elimu ya matibabu: wito wa kuchukua hatua. Akkad. dawa. 88, 1407-1410 (2013).
McCoy, LG nk Wanafunzi wa matibabu wanahitaji kujua nini juu ya akili ya bandia? Nambari za NPZH. Dawa 3, 1-3 (2020).
Dos Santos, DP, et al. Mitazamo ya wanafunzi wa matibabu juu ya akili ya bandia: uchunguzi wa anuwai. Euro. mionzi. 29, 1640-1646 (2019).
Shabiki, Ky, Hu, R., na Singla, R. Utangulizi wa Kujifunza Mashine kwa Wanafunzi wa Matibabu: Mradi wa Pilot. J. Med. fundisha. 54, 1042-1043 (2020).
Cooperman N, et al. Kubaini watoto walio katika hatari ndogo sana ya kuumia kwa ubongo muhimu baada ya kuumia kichwa: Utafiti unaotarajiwa wa kikundi. Lancet 374, 1160-11170 (2009).
Mtaa, WN, Wolberg, WH na Mangasarian, ol. Uchimbaji wa kipengele cha nyuklia kwa utambuzi wa tumor ya matiti. Sayansi ya Biomedical. Usindikaji wa picha. Sayansi ya Biomedical. Weiss. 1905, 861-870 (1993).
Chen, PHC, Liu, Y. na Peng, L. Jinsi ya kukuza mifano ya kujifunza mashine kwa huduma ya afya. Nat. Math. 18, 410-414 (2019).
Selvaraju, RR et al. Grad-Cam: Tafsiri ya kuona ya mitandao ya kina kupitia ujanibishaji wa msingi wa gradient. Utaratibu wa Mkutano wa Kimataifa wa IEEE juu ya Maono ya Kompyuta, 618-626 (2017).
Kumaravel B, Stewart K na Ilic D. Maendeleo na tathmini ya mfano wa ond kwa kutathmini uwezo wa dawa unaotegemea ushahidi kwa kutumia OSCE katika elimu ya matibabu ya shahada ya kwanza. Dawa ya BMK. fundisha. 21, 1-9 (2021).
Kolachalama VB na Mashine ya Garg PS Kujifunza na Mafunzo ya Matibabu. Nambari za NPZH. dawa. 1, 1-3 (2018).
Van Leeuwen, KG, Schalekamp, S., Rutten, MJ, Van Ginneken, B. na De Rooy, M. Artificial Akili katika Radiolojia: bidhaa 100 za kibiashara na ushahidi wao wa kisayansi. Euro. mionzi. 31, 3797-3804 (2021).
Topol, EJ Tiba ya utendaji wa juu: kuunganika kwa akili ya mwanadamu na bandia. Nat. dawa. 25, 44-55 (2019).
Bede, E. et al. Tathmini inayozingatia kibinadamu ya mfumo wa kujifunza kwa kina uliowekwa katika kliniki kwa kugundua ugonjwa wa kisukari. Utaratibu wa Mkutano wa 2020 CHI juu ya Mambo ya Binadamu katika Mifumo ya Kompyuta (2020).
Kerr, B. Darasa la Flipped katika elimu ya uhandisi: Mapitio ya utafiti. Utaratibu wa Mkutano wa Kimataifa wa 2015 juu ya Maingiliano ya Ushirikiano wa Maingiliano (2015).
Waandishi wanamshukuru Danielle Walker, Tim Salcudin, na Peter Zandstra kutoka kwa nguzo ya utafiti wa biomedical na bandia katika Chuo Kikuu cha Briteni cha Briteni kwa msaada na ufadhili.
RH, PP, ZH, RS na MA walikuwa na jukumu la kukuza yaliyomo katika ufundishaji wa semina. RH na PP walikuwa na jukumu la kukuza mifano ya programu. KYF, OY, MT na PW walikuwa na jukumu la shirika la vifaa na uchambuzi wa semina hizo. RH, OY, MT, RS walikuwa na jukumu la kuunda takwimu na meza. RH, KYF, PP, ZH, OY, My, PW, TL, MA, RS walikuwa na jukumu la kuandaa na kuhariri hati hiyo.
Dawa ya mawasiliano inashukuru Carolyn McGregor, Fabio Moraes, na Aditya Borakati kwa michango yao katika kukagua kazi hii.
Wakati wa chapisho: Feb-19-2024